380CT_Vox_Machina 概括 此Jupyter笔记本文档是380CT考文垂大学的课程作业。 它是由内森·布朗，哈里·威尔斯和阿玛·巴马尔撰写的。 内容包括元启发式方法，即带有DFJ公式的蚁群优化和禁忌。 要求 适用于Python的Gurobi，请在此处提供安装说明： ://www.gurobi.com/gurobi-and-anaconda-for-windows/。 所使用的许可为“学术免费”。 tsputil，要安装，请转到Anaconda命令行并键入“ pip install tsputil”，然后等待下载。 重要提示：请注意讲师。 我们的小组注意到直接从GitHub显示笔记本的问题； 即，不显示所有数据输出的问题。 但是，如果您下载笔记本，则所有信息仍然存在。 因此，不要认为它是不完整的。

3个限制，具体内容请看作者博客。使用遗传算法。

TSP旅行商问题分支限界法和回溯法源码 旅行商(TSP)问题 计算复杂性高，NP-hard问题，无有效的（复杂性为多项式级别）的解法 Metric TSP 欧式空间满足三角形关系 应用： 军事、通信、电路板设计、大规模集成电路、基因排序等领域具有广泛应用

SA(模拟退火)算法来源于固体退火原理，是一种基于概率的算法，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。 TSP问题即旅行商问题，假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。 程序用VC++6.0编写运行成功，更改各个城市坐标，即可输出最优路径。

寻找问题的解的一种可靠的方法是首先列出所有候选解，然后依次检查每一个，在检查完所有或部分候选解后，即可找到所需要的解。理论上，当候选解数量有限并且通过检查所有或部分候选解能够得到所需解时，上述方法是可行的。不过，在实际应用中，很少使用这种方法，因为候选解的数量通常都非常大（比如指数级，甚至是大数阶乘），即便采用最快的计算机也只能解决规模很小的问题。对候选解进行系统检查的方法有多种，其中回溯和分枝定界法是比较常用的两种方法。按照这两种方法对候选解进行系统检查通常会使问题的求解时间大大减少（无论对于最坏情形还是对于一般情形）。事实上，这些方法可以使我们避免对很大的候选解集合进行检查，同时能够保证算法运行结束时可以找到所需要的解。因此，这些方法通常能够用来求解规模很大的问题。 本章集中阐述回溯方法，这种方法被用来设计货箱装船、背包、最大完备子图、旅行商和电路板排列问题的求解算法。

模拟退火算法求解旅行商问题，有代码 1、理解模拟退火算法的思想。 2、利用 Matlab 实现模拟退火算法求解 TSP 问题。 3、分析算法中各种参数变化对计算结果的影响。 二、实验要求 1、打印程序清单。 2、绘制算法求解过程图。 3、记录多次运行算法的最优解。 4、比较算法在不同参数设置下的性能区别。 5、简要回答思考题。

蚁群优化算法求解旅行商问题。内有代码有报告 1、理解蚁群优化算法的思想。 2、利用 Matlab 实现蚁群优化算法求解 TSP 问题。 3、分析算法中各种参数变化对计算结果的影响。 二、实验要求 1、打印程序清单。 2、绘制算法求解过程图。 3、记录多次运行算法的最优解。 4、比较算法在不同参数设置下的性能区别。 5、简要回答思考题。

一个基于MATLAB的遗传算法用于旅行商问题优化的实验报告，内有代码。

使用C++容器，可以输入或载入任意规模的城市。网上几乎全是C语言，数组只能固定大小，在工程上针对不同问题时有局限性。并且程序将算法全部封装成类直接载入一个vector容器就可以运行，程序运行完后会保存txt文件方便查看以及绘制结果，分别为：城市坐标（x,y），最优路径,每次迭代全局最优解，每次迭代局部最优解，每次迭代所有蚂蚁平均距离。

本文利用遗传算法的全局搜索能力求解,针对旅行商问题(TSP),设计一种贪婪算子个体保护的遗传算法，并使用MATLAB语言进行了实际的编程求解，编程中的各个模块分别实现了优选复制、交叉、变异等环节。用编制的MATLAB程序快速求解出了满意的结果。自己亲自编的，MATLAB2009,可运行，有注解。